50 Machine Learning-interviewspørgsmål og svar (2026)

Af: Evelyn Clarke Evelyn Clarke
Hours Opdateret

Her er Machine Learning-interviewspørgsmål og svar til både friskere og erfarne kandidater til at få deres drømmejob.

 

Machine Learning Viva-spørgsmål og svar til nybegyndere

1) Hvad er Machine learning?

Machine learning er en gren af ​​datalogi, der beskæftiger sig med systemprogrammering for automatisk at lære og forbedre med erfaring. For eksempel: Robotter er programmeret, så de kan udføre opgaven baseret på data, de indsamler fra sensorer. Den lærer automatisk programmer fra data.

👉 Gratis PDF-download: Machine Learning Interview spørgsmål og svar >>

2) Nævn forskellen mellem Data Mining og Machine learning?

Maskinlæring omhandler studiet, design og udvikling af algoritmer, der giver computere mulighed for at lære uden at være eksplicit programmeret. Data mining kan defineres som den proces, hvor ustrukturerede data forsøger at udvinde ...tract viden eller ukendte interessante mønstre. Under denne proces anvendes maskine- og læringsalgoritmer.

3) Hvad er 'Overfitting' i maskinlæring?

In machine learning, når en statistisk model beskriver tilfældig fejl eller støj i stedet for underliggende sammenhæng, opstår 'overfitting'. Når en model er alt for kompleks, observeres overfitting normalt på grund af for mange parametre i forhold til antallet af træningsdatatyper. Modellen udviser dårlig ydeevne, som er blevet overfittet.

4) Hvorfor overfitting sker?

Muligheden for overfitting eksisterer, da de kriterier, der bruges til at træne modellen, ikke er de samme som de kriterier, der bruges til at bedømme effektiviteten af ​​en model.

5) Hvordan kan du undgå overfitting?

Ved at bruge en masse data kan overfitting undgås, overfitting sker relativt, da man har et lille datasæt, og man forsøger at lære af det. Men hvis du har en lille database, og du er tvunget til at komme med en model baseret på det. I en sådan situation kan du bruge en teknik kendt som krydsvalidering. I denne metode opdeles datasættet i to sektioner, test- og træningsdatasæt, testdatasættet vil kun teste modellen, mens datapunkterne i træningsdatasæt vil komme med modellen.

I denne teknik får en model sædvanligvis et datasæt af kendte data, som træning (træningsdatasæt) køres på, og et datasæt med ukendte data, som modellen testes mod. Ideen med krydsvalidering er at definere et datasæt til at "teste" modellen i træningsfasen.

6) Hvad er induktiv maskinlæring?

Den induktive maskinlæring involverer processen med at lære ved eksempler, hvor et system fra et sæt af observerede tilfælde forsøger at fremkalde en generel regel.

7) Hvad er de fem populære algoritmer for Machine Learning?

  • Beslutningstræer
  • Neurale netværk (tilbageformidling)
  • Probabilistiske netværk
  • Nærmeste nabo
  • Support vektor maskiner

8) Hvad er de forskellige algoritmeteknikker i Machine Learning?

De forskellige typer af teknikker i Machine Learning er

9) Hvad er de tre stadier til at bygge hypoteserne eller modellen i maskinlæring?

  • Modelbygning
  • Model test
  • Anvendelse af modellen

10) Hvad er standardtilgangen til superviseret læring?

Standardtilgangen til superviseret læring er at dele eksemplet op i træningssættet og testen.

11) Hvad er 'Træningssæt' og 'Testsæt'?

Inden for forskellige områder af informationsvidenskab, såsom maskinlæring, bruges et sæt data til at opdage det potentielt forudsigelige forhold kendt som 'Training Set'. Træningssæt er et eksempel givet til eleven, mens testsæt bruges til at teste nøjagtigheden af ​​de hypoteser, eleven har genereret, og det er eksemplerne, der holdes tilbage fra eleven. Træningssæt adskiller sig fra testsæt.

12) Liste ned forskellige tilgange til maskinlæring?

De forskellige tilgange i Machine Learning er

  • Koncept kontra klassifikationslæring
  • Symbolsk vs statistisk læring
  • Induktiv vs analytisk læring

13) Hvad er ikke Machine Learning?

14) Forklar hvad funktionen af ​​'Usupervised Learning' er?

  • Find klynger af dataene
  • Find lavdimensionelle repræsentationer af dataene
  • Find interessante retninger i data
  • Interessante koordinater og sammenhænge
  • Find nye observationer/databaserensning

15) Forklar, hvad funktionen af ​​'Supervised Learning' er?

  • Klassifikationer
  • Tale genkendelse
  • Regression
  • Forudsige tidsserier
  • Anmærk strenge

16) Hvad er algoritme-uafhængig maskinlæring?

Maskinlæring, hvor det matematiske grundlag er uafhængigt af en bestemt klassificering eller indlæringsalgoritme kaldes algoritme-uafhængig maskinlæring?

17) Hvad er forskellen mellem kunstig læring og maskinlæring?

Design og udviklingping Algoritmer baseret på adfærd baseret på empiriske data kaldes maskinlæring. Kunstig intelligens dækker udover maskinlæring også andre aspekter som vidensrepræsentation, naturlig sprogbehandling, planlægning, robotteknologi osv.

18) Hvad er klassificering i maskinlæring?

En klassifikator i en Machine Learning er et system, der indlæser en vektor af diskrete eller kontinuerte funktionsværdier og udsender en enkelt diskret værdi, klassen.

19) Hvad er fordelene ved Naive Bayes?

I Naive Bayes vil klassificeringsapparat konvergere hurtigere end diskriminerende modeller som logistisk regression, så du har brug for færre træningsdata. Den største fordel er, at den ikke kan lære interaktioner mellem funktioner.

20) På hvilke områder bruges mønstergenkendelse?

Mønstergenkendelse kan bruges i

  • Computer Vision
  • Talegenkendelse
  • Data Mining
  • Statistik
  • Uformel hentning
  • Bioinformatik

Machine Learning interviewspørgsmål for erfarne

21) Hvad er genetisk programmering?

Genetisk programmering er en af ​​de to teknikker, der bruges i maskinlæring. Modellen er baseret på testning og udvælgelse af det bedste valg blandt et sæt resultater.

22) Hvad er induktivt Logic Programmatik i Machine Learning?

Induktiv Logic Programming (ILP) er et underområde af maskinlæring, som bruger logisk programmering, der repræsenterer baggrundsviden og eksempler.

23) Hvad er modelvalg i maskinlæring?

Processen med at vælge modeller blandt forskellige matematiske modeller, som bruges til at beskrive det samme datasæt, er kendt som Model Selection. Modelvalg anvendes på områderne statistik, machine learning og data mining.

24) Hvad er de to metoder, der bruges til kalibreringen i Supervised Learning?

De to metoder, der bruges til at forudsige gode sandsynligheder i Supervised Learning er

  • Platt kalibrering
  • Isotonisk regression

Disse metoder er designet til binær klassificering, og det er ikke trivielt.

25) Hvilken metode bruges hyppigt til at forhindre overfitting?

Når der er tilstrækkelige data, bruges 'Isotonisk regression' til at forhindre et problem med overtilpasning.

26) Hvad er forskellen mellem heuristik for regelindlæring og heuristik for beslutningstræer?

Forskellen er, at heuristikken for beslutningstræer evaluerer den gennemsnitlige kvalitet af et antal usammenhængende sæt, mens regellærere kun evaluerer kvaliteten af ​​det sæt af instanser, der er dækket af kandidatreglen.

27) Hvad er Perceptron i Machine Learning?

I Machine Learning er Perceptron en overvåget indlæringsalgoritme til binære klassifikatorer, hvor en binær klassifikator er en afgørende funktion af, om en input repræsenterer en vektor eller et tal.

28) Forklar de to komponenter i Bayesiansk logikprogram?

Bayesiansk logikprogram består af to komponenter. Den første komponent er logisk; den består af et sæt Bayesianske klausuler, som fanger domænets kvalitative struktur. Den anden komponent er en kvantitativ, den koder for den kvantitative information om domænet.

29) Hvad er Bayesian Networks (BN)?

Bayesian Network bruges til at repræsentere den grafiske model for sandsynlighedsforhold mellem et sæt variable.

30) Hvorfor instansbaseret læringsalgoritme nogle gange omtalt som Lazy læringsalgoritme?

Instansbaseret læringsalgoritme omtales også som Lazy læringsalgoritme, da de forsinker induktions- eller generaliseringsprocessen, indtil klassificering udføres.

31) Hvad er de to klassifikationsmetoder, som SVM ( Support Vector Machine) kan håndtere?

  • Kombination af binære klassifikatorer
  • Ændring af binær for at inkorporere læring i flere klasser

32) Hvad er ensemblelæring?

For at løse et bestemt beregningsprogram genereres og kombineres flere modeller såsom klassifikatorer eller eksperter strategisk. Denne proces er kendt som ensemble learning.

33) Hvorfor bruges ensemblelæring?

Ensemblelæring bruges til at forbedre klassificering, forudsigelse, funktionstilnærmelse osv. af en model.

34) Hvornår skal man bruge ensemble learning?

Ensemblelæring bruges, når du bygger komponentklassifikatorer, der er mere nøjagtige og uafhængige af hinanden.

35) Hvad er de to paradigmer for ensemblemetoder?

De to paradigmer for ensemblemetoder er

Gå ikke glip af:
  • Sekventielle ensemblemetoder
  • Parallelle ensemble metoder

36) Hvad er det generelle princip for en ensemblemetode, og hvad er bagging og boosting i ensemblemetoden?

Det generelle princip for en ensemblemetode er at kombinere forudsigelserne af flere modeller bygget med en given læringsalgoritme for at forbedre robustheden over en enkelt model. Bagging er en metode i ensemblet til at forbedre ustabile estimerings- eller klassifikationsskemaer. Mens boosting-metoden bruges sekventielt for at reducere skævheden i den kombinerede model. Både Boost og Bagging kan reducere fejl ved at reducere variansperioden.

37) Hvad er bias-variance dekomponering af klassifikationsfejl i ensemblemetoden?

Den forventede fejl i en indlæringsalgoritme kan dekomponeres i bias og varians. Et bias-udtryk måler, hvor tæt den gennemsnitlige klassifikator produceret af indlæringsalgoritmen matcher målfunktionen. Variansbegrebet måler, hvor meget læringsalgoritmens forudsigelse svinger for forskellige træningssæt.

38) Hvad er en inkrementel læringsalgoritme i ensemble?

Inkrementel indlæringsmetode er en algoritmes evne til at lære af nye data, der kan være tilgængelige, efter at klassificeringsanordningen allerede er blevet genereret fra et allerede tilgængeligt datasæt.

39) Hvad bruges PCA, KPCA og ICA til?

PCA (Principal Components Analysis), KPCA (Kernel Based Principal Component Analysis) og ICA (Independent Component Analysis) er vigtige funktioner f.eks.tractionsteknikker anvendt til dimensionsreduktion.

40) Hvad er dimensionsreduktion i Machine Learning?

Inden for maskinlæring og statistik er dimensionsreduktion processen med at reducere antallet af tilfældige variabler under overvejelse og kan opdeles i funktionsudvælgelse og funktionsudvælgelse.traction.

41) Hvad er støttevektormaskiner?

Støttevektormaskiner er overvågede indlæringsalgoritmer, der bruges til klassificering og regressionsanalyse.

42) Hvad er komponenterne i relationelle evalueringsteknikker?

De vigtige komponenter i relationelle evalueringsteknikker er

  • Dataindsamling
  • Ground Truth Acquisition
  • Krydsvalideringsteknik
  • Forespørgselstype
  • Scoremetrik
  • Signifikanstest

43) Hvad er de forskellige metoder til sekventiel superviseret læring?

De forskellige metoder til at løse sekventiel overvåget læringsproblemer er

  • Skydevindue metoder
  • Tilbagevendende skydevinduer
  • Skjulte Markow-modeller
  • Maksimal entropi Markow-modeller
  • Betingede tilfældige felter
  • Graf transformator netværk

44) Hvad er de områder inden for robotteknologi og informationsbehandling, hvor sekventielle forudsigelsesproblemer opstår?

De områder inden for robotteknologi og informationsbehandling, hvor sekventielle forudsigelsesproblemer opstår, er

  • Imitationslæring
  • Struktureret forudsigelse
  • Modelbaseret forstærkende læring

45) Hvad er batch statistisk læring?

Statistiske læringsteknikker gør det muligt at lære en funktion eller forudsigelse fra et sæt observerede data, der kan give forudsigelser om usete eller fremtidige data. Disse teknikker giver garantier for ydeevnen af ​​den lærte prædiktor på fremtidige usete data baseret på en statistisk antagelse om datagenereringsprocessen.

46) Hvad er PAC-læring?

PAC (Probably Approximately Correct) læring er en læringsramme, der er blevet introduceret til at analysere læringsalgoritmer og deres statistiske effektivitet.

47) Hvad er de forskellige kategorier, du kan kategorisere sekvenslæringsprocessen?

  • Sekvens forudsigelse
  • Sekvensgenerering
  • Sekvensgenkendelse
  • Sekventiel beslutning

48) Hvad er sekvenslæring?

Sekvenslæring er en metode til at undervise og lære på en logisk måde.

49) Hvad er to teknikker til Machine Learning?

De to teknikker til Machine Learning er

  • Genetisk programmering
  • Induktiv læring

50) Giv en populær anvendelse af maskinlæring, som du ser på daglig basis?

Anbefalingsmotoren implementeret af store e-handelswebsteder bruger Machine Learning.

Disse interviewspørgsmål vil også hjælpe i din viva(orals)

Opsummer dette indlæg med: